Отбор информативных геометрических признаков ядер клеток на люминесцентных изображениях раковых клеток

Рассмотрены методы отбора информативных признаков для выделения геометрических признаков при описании ядер на люминесцентных изображениях раковых клеток. Выполнен обзор существующих геометрических признаков, который включает в себя как признаки формы, устойчивые к повороту и перемещению изображения, так и признаки расположения в пространстве. Для отбора наиболее информативных признаков использованы шесть методов: медианный, корреляционный с расчетом коэффициента корреляции по Пирсону, корреляционный с расчетом коэффициента корреляции по Спирмену, метод логистической регрессии, случайного леса с CART-деревьями и критерием Gini, случайного леса с CART-деревьями и критерием минимизации ошибки. В результате исследования из 59 признаков отобраны 11 наиболее информативных, выполнен анализ качества классификации с помощью метода случайного леса и рассчитаны временные затраты в зависимости от количества признаков для описания объектов. Для метода случайного леса использование 11 признаков является достаточным по точности классификации и позволяет снизить временные затраты в 2,3 раза.

1. Stewart, B. World Cancer Report 2014 / B. Stewart, C. P. Wild. – Geneva : WHO Press, 2015. – 512 p.

2. Программный пакет CellDataMiner для анализа люминесцентных изображений раковых клеток / Е. В. Лисица [и др.] // Информатика. – 2015. – № 4(48). – С. 73–84.

3. Spatial quantitative analysis of fluorescently labeled nuclear structures: problems, methods, pitfalls / O. Ronneberger [et al.] // Chromosome Research. – 2008. – No. 3. – P. 523–562.

4. Supervised, unsupervised, and semi-supervised feature selection: a review on gene selection / J. C. Ang [et al.] // IEEE/ACM Transactions on Computational Biology and Bioinformatics. – 2016. – No. 5. – P. 971–989.

5. Classifying ten types of major cancers based on reverse phase protein array profiles / P. W. Zhang [et al.] // PLoS One. – 2015. – No. 5. – P. 3–7.

6. Reverse phase protein array based tumor profiling identifies a biomarker signature for risk classification of hormone receptor-positive breast cancer / J. Sonntag [et al.] // Translational Proteomics. – 2014. – No. 2. – P. 52–59.

7. Kaddi, C. Models for predicting stage in head and neck squamous cell carcinoma using proteomic and transcriptomic data / C. Kaddi, M. D.Wang // IEEE J. of Biomedical and Health Informatics. – 2017. – No. 1. – P. 246–253.

8. Immunosignature system for diagnosis of cancer / P. Stafford [et al.] // Proc. of the National Academy of Sciences of the United States of America. – 2014. – No. 30. – P. 3072–3080.

9. Nguyen, T. Modified AHP for gene selection and cancer classification using type-2 fuzzy logic / T. Nguyen, S. Nahavandi // IEEE Transactions on Fuzzy Systems. – 2016. – No. 2. – P. 273–287.

10. Hierarchical gene selection and genetic fuzzy system for cancer microarray data classification / T. Nguyen [et al.] // PloS One. – 2015. – No. 3.

11. 3-phosphoadenosine 5-phosphosulfate (paps) synthases, naturally fragile enzymes specifically stabilized by nucleotide binding / J. Van den Boom [et al.] // J. of Biological Chemistry. – 2012. – No. 21. – P. 17645–17655.

12. Insights into the classification of small GTPases / D. Heider [et al.] // Advances and Applications in Bioinformatics and Chemistry. – 2010. – No. 3. – P. 15–24.

13. Data mining in the Life Sciences with Random Forest: a walk in the park or lost in the jungle? / W. G. Touw [et al.] // Briefings in Bioinformatics. – 2013. – No. 3. – P. 315–326.

14. Improved Bevirimat resistance prediction by combination of structural and sequence-based classifiers / J. N. Dybowski [et al.] // BioData Mining. – 2011. – No. 4. – Р. 26–39.

15. Exploiting HIV-1 protease and reverse transcriptase cross-resistance information for improved drug resistance prediction by means of multi-label classification / M. Riemenschneider [et al.] // BioData Mining. – 2016. – No. 9. – Р. 10–16.

16. Expression profiling reveals novel pathways in the transformation of melanocytes to melanomas / H. Hoek [et al.] // Cancer Research. – 2004. – No. 15. – P. 5270–5282.

17. Quantitative analysis of estrogen receptor heterogeneity in breast cancer / G. G. Chung [et al.] // Laboratory Investigation. – 2007. – No. 7. – P. 662–669.

18. Camp, R. L. Automated subcellular localization and quantification of protein expression in tissue microarrays / R. L. Camp, G. G. Chung, D. L. Rimm // Nature Medicine. – 2002. – No. 11. – P. 1323–1327.

19. Quantifying estrogen and progesterone receptor expression in breast cancer by digital imaging / M. K. Szesze [et al.] // J. of Histochemistry and Cytochemistry. – 2005. – No. 6. – P. 753–762.

20. Имитационная модель трехканальных люминесцентных изображений популяций раковых клеток / Е. В. Лисица [и др.] // Журнал прикладной спектроскопии. – 2014. – № 6. – С. 907–913.

21. Burger, W. Principles of Digital Image Processing: Core Algorithms / W. Burger, M. Burge. – London : Springer-Verlag, 2009. – 332 p.

22. Jähne, B. Digital Image Processing. Iss. 5 / B. Jähne. – Berlin, Heidelberg : Springer, 2002. – 585 p.

23. Reiss, Th. H. Recognizing Planar Objects using Invariant Image Features / Th. H. Reiss. – Berlin : Springer, 1993. – 186 p.

24. Hu, M. K. Visual pattern recognition by moment invariants / M. K. Hu // IEEE Transactions on Information Theory. – 1962. – No. 8. – P. 179–187.

25. Neumann, U. EFS: an ensemble feature selection tool implemented as R-package and web-application / U. Neumann // BioData Mining. – 2017. – No. 10. – Р. 21–30.

26. Bauer, D. F. Constructing confidence sets using rank statistics / D. F. Bauer // J. of the American Statistical Association. – 1972. – No. 67. – P. 687–690.

27. Yu, L. Efficient feature selection via analysis of relevance and redundancy / L. Yu // J. of Machine Learning Research. – 2004. – No. 5. – P. 1205–1224.

28. Suzuki, N. Developing landscape habitat models for rare amphibians with small geographic ranges: a case study of Siskiyou Mountains salamanders in the western USA / N. Suzuki, D. H. Olson, E. C. Reilly // J. of Machine Learning Research. – 2008. – No. 17. – P. 2197–2218.

29. Novel methods improve prediction of species distributions from occurrence data / J. Elith [et al.] // J. of Space and Time in Ecology. – 2006. – No. 29. – P. 129–151.

30. Yu, L. Efficient feature selection via analysis of relevance and redundancy / L. Yu, H. Liu // J. of Machine Learning Research. – 2004. – No. 5. – P. 1205–1224.

31. Compensation of feature selection biases accompanied with improved predictive performance for binary classification by using a novel ensemble feature selection approach / U. Neumann [et al.] // BioData Mining. – 2016. – No. 9. – P. 36–50.

32. Breiman, L. Random forests / L. Breiman // Machine Learning. – 2001. – No. 5. – P. 5–32.

33. Feature selection based on quality of information / J. Liu [et al.] // Neurocomputing. – 2017. – No. 225. – P. 11–22.

34. Measures of rule quality for feature selection in text categorization / E. Montañés [et al.] // Advances in Intelligent Data Analysis V. – 2003. – No. 225. – P. 589–598.

35. Scikit-learn: Machine learning in Python / F. Pedregosa [et al.] // J. of Machine Learning Research. – 2011. – No. 12. – P. 2825–2830.